CN113222911A - 宫颈细胞图像筛查方法、系统、计算机设备及存储介质 - Google Patents
宫颈细胞图像筛查方法、系统、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN113222911A CN113222911A CN202110455457.1A CN202110455457A CN113222911A CN 113222911 A CN113222911 A CN 113222911A CN 202110455457 A CN202110455457 A CN 202110455457A CN 113222911 A CN113222911 A CN 113222911A
- Authority
- CN
- China
- Prior art keywords
- cell image
- cervical
- cervical cell
- image screening
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012216 screening Methods 0.000 title claims abstract description 62
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 210000004027 cell Anatomy 0.000 claims abstract description 122
- 238000012549 training Methods 0.000 claims abstract description 24
- 238000007781 pre-processing Methods 0.000 claims abstract description 14
- 230000011218 segmentation Effects 0.000 claims abstract description 13
- 210000004969 inflammatory cell Anatomy 0.000 claims abstract description 9
- 238000013527 convolutional neural network Methods 0.000 claims description 18
- 210000003855 cell nucleus Anatomy 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 210000004940 nucleus Anatomy 0.000 claims description 7
- 238000013519 translation Methods 0.000 claims description 2
- 238000003745 diagnosis Methods 0.000 abstract description 14
- 206010008342 Cervix carcinoma Diseases 0.000 description 17
- 208000006105 Uterine Cervical Neoplasms Diseases 0.000 description 17
- 201000010881 cervical cancer Diseases 0.000 description 17
- 230000008569 process Effects 0.000 description 10
- 239000007788 liquid Substances 0.000 description 5
- 230000035945 sensitivity Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 239000012535 impurity Substances 0.000 description 3
- 238000009595 pap smear Methods 0.000 description 3
- 238000010827 pathological analysis Methods 0.000 description 3
- 206010028980 Neoplasm Diseases 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 201000011510 cancer Diseases 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000013399 early diagnosis Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000005859 cell recognition Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000002380 cytological effect Effects 0.000 description 1
- 210000000805 cytoplasm Anatomy 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种宫颈细胞图像筛查方法、系统、计算机设备及存储介质，其方法包括：S1.对包含宫颈细胞的原始图像进行预处理；S2.建立宫颈细胞图像筛查模型并进行训练；S3.将步骤S1预处理后的图像输入步骤S2已经建立好的宫颈细胞模型中进行宫颈细胞图像的筛查。代替以往传统的人工阅片，采用自动化、端到端的宫颈细胞图像筛查，能够有效提高诊断工作效率，降低病理医生的劳动强度和工作量，避免人工操作中的主观因素的影响，最终提高正确率。在步骤S1中对所述原始图像进行无效信息的去除，所述无效信息包括：污垢、失焦伪影、炎性细胞；然后再利用U‑Net结构自动分割网络进行细胞核分割，提高了细胞分割的准确性。
Description
技术领域
本发明涉及人工智能技术领域，尤其涉及一种宫颈细胞图像的筛查方法、系统、计算机设备及计算机可读存储介质。
背景技术
据统计,全世界每年因宫颈癌死亡的人数为30万,确诊和发现早期症状者各为45万。虽然确诊病人的年龄一般都在35岁以上,但存在这种疾病诱因的妇女却往往远在这一年龄以下。如果及时得到诊断,早期宫颈癌是可以治愈的。但由于发展中国家的妇女对这一疾病了解较少,加上医疗及经济条件的限制,常失去早期诊断和治疗的机会。特别是在我国的中西部农村,由于缺乏资金和医疗技术等原因,宫颈癌更是女性大敌。在城市的妇女由于缺乏有组织的筛查计划和医学知识也面临宫颈癌严重威胁,而且最近的研究表明,宫颈癌的年轻病例有逐年增加的趋势。世界卫生组织指出,如果发展中国家每隔年对妇女进行一次普查,宫颈癌的总体死亡率将可能降低60％。因此早期宫颈癌的筛查是降低宫颈癌死亡率的重要手段。
宫颈涂片检查被认为是最普遍、最常见也是最有效的用于早期筛查宫颈癌的细胞学检验手段,也是肿瘤防治学上最重要的成就之一。使用这一方法,大大提高了宫颈癌的早期诊断率,使宫颈癌的死亡率明显下降。然而，手工宫颈涂片细胞筛查存在许多问题。一般，需要经验丰富的专业医生利用显微镜从成千上万的宫颈细胞微观图像中，用肉眼找出具有微小癌变的几个或几十个癌细胞，工作量巨大。我国专业阅片人员匮乏，医资力量面临重大缺口。并且医疗人员长时间、枯燥的阅图，也难免遗漏、误判部分癌细胞，判别结果受主观因素影响较大。
近年来，随着数字病理和人工智能技术的兴起，加速了AI与医疗领域的深度融合。AI技术作为一种辅助性工具在病理诊断多场景中已经有一些尝试.将这些新技术应用于宫颈细胞辅助筛查，可望为宫颈癌细胞筛查提供解决方案。宫颈癌细胞计算机自动识别系统研究对宫颈涂片细胞图像进行有效的处理,能快速而准确地对有关定量数据进行统计与分析,从而达到提高工作效率,提高诊断正确率的目的。同时,针对目前所做工作进一步深入研究,对于提高病理诊断的科学性具有重要意义。利用宫颈癌细胞计算机自动识别系统进行早期宫颈病理细胞的筛查,可以大大提高了宫颈图片的筛查效率。
但目前的宫颈细胞图像大多由数字扫描仪扫描而成，视野更大，分辨率高，在本例中每张图像约1200×2000像素(1011.6μm×606.96μm)。对于深度学习的常用分类网络而言，图像的尺寸过大，不能直接输入网络进行训练。在以往的研究中，图像的滑动窗口分割是一种常用的处理手段。根据滑动窗口移动的步长，每张子图重叠的程度不同，也可以有各种子图划分的方式。但是，固定大小的窗口滑动难免会出现以下问题：1、引入过多无效信息，如背景、杂质等；2、细胞被割裂在不同的图片中；3、同一图片可能同时包含阴性和阳性细胞。这些问题会对深度学习模型的学习造成偏差。
发明内容
为解决上述问题，本发明提出一种宫颈细胞图像的筛查方法、系统及计算机可读存储介质，其能有效提高诊断工作效率，并提高筛查的正确率。
本发明提出一种宫颈细胞图像筛查方法，包括步骤如下：S1.对包含宫颈细胞的原始图像进行预处理；S2.建立宫颈细胞图像筛查模型并进行训练；S3.将步骤S1预处理后的图像输入步骤S2已经建立好的宫颈细胞模型中进行宫颈细胞图像的筛查。
优选地，所述步骤S1包括：S11.对所述原始图像进行细胞核分割以获得细胞图像块；S12.对所述细胞图像块进行数据增强。
进一步优选，所述步骤S11包括：S111.对所述原始图像进行无效信息的去除，所述无效信息包括：污垢、失焦伪影、炎性细胞；S112.利用U-Net结构自动分割网络，以细胞核质心为中心，提取大小相同的图像块作为分割后的细胞图像块。
更进一步优选，所述步骤S111包括：利用RGB颜色空间中绝对通道差异的阈值来去除污垢；利用Sobel算子对边界的平均梯度进行阈值化来去除失焦伪影；利用阈值化最大半径和平均强度消除具有小暗核的炎症细胞。
进一步优选，所述步骤S12包括：对所述细胞图像块中包含阳性细胞的细胞图像块进行旋转和平移操作。
优选地，所述步骤S2包括：在数据集ImageNet上完成对卷积神经网络的预训练；利用预训练后的卷积神经网络进行宫颈细胞图像筛查模型的训练。所述卷积神经网络为VGG卷积神经网络。
进一步优选，训练后的VGG卷积神经网络包含16个卷积层和3个全连接层，所有层都采用3x3的卷积核，卷积层步长设置为1。
本发明还提供一种宫颈细胞图像筛查系统，包括：数据预处理模块：用于对包含宫颈细胞的原始图像进行预处理；模型训练模块：用于建立宫颈细胞图像筛查模型并进行训练；模型测试模块：用于将预处理后的图像输入至已建立好的宫颈细胞模型中进行宫颈细胞图像的筛查。
本发明还提供一种计算机设备，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时实现如上所述的宫颈细胞图像筛查方法。
本发明还提供一种计算机可读存储介质，包括，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述宫颈细胞图像筛查方法。
本发明的有益效果：
(1)代替以往传统的人工阅片，采用自动化、端到端的宫颈细胞图像筛查，能够有效提高诊断工作效率，降低病理医生的劳动强度和工作量，避免人工操作中的主观因素的影响，最终提高正确率，为宫颈癌及癌前病变的诊断提供可靠的技术辅助手段。
(2)通过传统图像处理方法结合经验值，有针对性地去除了宫颈细胞图像中的污垢、失焦伪影、炎性细胞，提高了细胞分割的准确性。
(3)提取了以细胞核质心为中心的大小为224×224的图像块，相比于常用的滑窗法，能提取更多有效信息，防止干扰信息对神经网络的学习造成影响。
(4)使用VGG19结构的卷积神经网络，使得最终宫颈细胞图像筛查的结果准确度、特异性、敏感性都得到很大的提高。
附图说明
图1为本发明实施例中宫颈细胞图像筛查系统的结构示意图。
图2为本发明实施例中对原始图像进行无效信息去除的过程示意图。
图3为本发明实施例中宫颈细胞图像筛查模型的训练和测试流程图。
具体实施方式
下面结合具体实施方式并对照附图对本发明作进一步详细说明，应该强调的是，下述说明仅仅是示例性的，而不是为了限制本发明的范围及其应用。
在以往的宫颈细胞图像筛查过程中，液基细胞玻片一般都是由仪器扫描出图像然后存储给到用户，用户再去人工阅片或者找到AI病理诊断公司进行初步筛查辅助阅片。但是为了提高液基细胞筛查准确率，提高细胞识别速度，本实施例在液基细胞制片扫片一体机上直接研发宫颈细胞图像筛查系统，将扫描到的原始图像进行传输触发算法进行辅助诊断，用户确认了智能筛查结果就在自动生成的报告模板内填入诊断结果。真正做到制片-扫片-阅片-筛查一体化。
如图1所示，本实施例中的宫颈细胞图像筛查系统包括数据预处理模块、模型训练模块、模型测试模块等。
数据预处理模块用于对包含宫颈细胞的原始图像进行预处理。
模型训练模块用于建立宫颈细胞图像筛查模型并进行训练。
模型测试模块用于将预处理后的图像输入至已建立好的宫颈细胞模型中进行宫颈细胞图像的筛查。
除此之外，系统还可以包括数据采集模块、数据库平台、医生复核结果模块等。
数据采集模块用于对液基细胞玻片进行扫描并获得包含宫颈细胞图像的原始图像。
数据库平台对于对整个系统工作过程中所需要存储的数据或特征进行存储，包括数据采集模块采集后的数据、对原始图像进行预处理后并提取的特征、临床标签、利用建立好的模型进行测试后的测试数据等。
医生复核结果模块主要是用于医生对宫颈细胞图像筛查结果进行复核，并将复核的结果作为改进数据采集参数、模型优化的参考依据。
利用如上的宫颈细胞图像筛查系统进行宫颈细胞图像筛查方法如下：
S1.对包含宫颈细胞的原始图像进行预处理。
S2.建立宫颈细胞图像筛查模型并进行训练。
S3.将步骤S1预处理后的图像输入步骤S2已经建立好的宫颈细胞模型中进行宫颈细胞图像的筛查。
一张原始图像通常包含有很多宫颈细胞和杂质。现有技术中对包含宫颈细胞的原始图像进行预处理常规的方法有两种，一种是进行细胞分割，这种方式的缺点一是麻烦，二是分类的准确性会严重受到分割效果的影响；另一种是将图像均匀切成小块，这种方式虽然简单但非常不准确。
本申请中步骤S1的预处理包括：S11.对所述原始图像进行细胞核分割以获得细胞图像块；S12.对所述细胞图像块进行数据增强。
宫颈细胞图像中，细胞核包含丰富的生理信息，是分类的关键判决依据之一。在形态上，细胞核呈现质密、色深、形状一般为规则圆形的特点。相比于分割整个宫颈细胞，分割细胞核的难度要低一些。但是玻片上存在的污垢、失焦伪影、炎性细胞容易和细胞核混淆，为排除这些问题的影响，细胞核分割分为两步，第一步先对无效信息进行去除，第二步使用自动分割网络进行细胞图像块的分割。
对原始图像进行无效信息去除的过程示意图如图2所示，无效信息包括污垢、失焦伪影、炎性细胞等。因为污垢一般呈灰色，通过对RGB颜色空间中的绝对通道差异设置阈值来消除这些杂质。对于失焦伪影，聚焦不好的物体的边界通常是模糊的，因此，采用Sobel算子对边界的平均梯度进行阈值化来去除边界。最后，通过调整阈值化最大半径Rmax和平均强度Imean消除具有小暗核的炎症细胞。通过经验人工调整阈值参数。选择的参数可以消除尽可能多的伪影，同时保留几乎所有的真宫颈细胞。
然后再对去除无效信息后的宫颈细胞图像进行分割。由于U-Net结构在医学影像上分割问题上取得的良好效果，在细胞核分割这部分工作中我们仍然采用了这个基本思想。
在得到去除无效信息后的图像，以细胞核质心为中心，提取大小相同(如224×224)的图像块作为分割后的细胞图像块。这种策略不仅可以嵌入细胞核的尺度/大小信息，而且可以在提取的图块中嵌入上下文线索(例如细胞质)。相比于滑窗法，能获得更加有效的训练数据。
由于宫颈癌细胞的标注依赖专业的病理医生，所以数据量有限。另外，在实际应用场景中，阴性细胞的数量远远大于阳性细胞，存在正负样本不平衡。因此本实施例对阳性细胞进行了数据增强。由于宫颈细胞具有旋转不变性，对分割后的细胞图像中包含阳性细胞的每个细胞图像块执行旋转操作(步长为θ度)，另外考虑到实际中检测到的核中心可能不准确，将每个核中心随机平移Nt次，得到Nt点作为粗核中心，使得正负样本数目约为1:1。数据增强增加了图像样本的数量，提高了网络的精度，减少了过拟合。
在步骤S2中，本实施例应用了迁移学习的思想。对于卷积神经网络而言，迁移学习就是要把在特定数据集上训练得到的“知识”成功运用到新的领域之中。如图3所示的模型的训练和测试流程图，训练过程如下:(1)在数据集ImageNet上完成对卷积神经网络的预训练；(2)利用预训练后的卷积神经网络进行宫颈细胞图像筛查模型的训练，从而对参数进行微调。
模型的训练是基于数量庞大的液基细胞图像构建的训练数据库，由于有玻片扫描仪帮医院以及学校进行扫片，已经有成熟的数据库，该数据库中的数据根据医生的临床知识给出相应标注。在模型训练过程中将疑似的诊断输入给到已有的初始模型中，初始模型将小区域细胞进行诊断，当给出的诊断与医生判断的诊断相符合时，判定模型筛选结果正确，当给出的诊断与医生判断的诊断不符时，则反馈信息，模型将进行修改使之筛选分类准确性提高，最后通过高准确性的模型进行筛选诊断，按照细胞的种类进行分类，用户通过筛选出来的分类观察细胞的情况，最后在系统导出的诊断报告中给出诊断。
虽然卷积神经网络中的分类网络有很多，但本实施例中的卷积神经网络模型选择VGG卷积神经网络，相较于Resnet、Densenet等卷积神经网络，VGG卷积神经网络的性能最佳，且预测时间最短。本实施例确定了VGG19的网络结构，即：包含了19个隐藏层(16个卷积层和3个全连接层)，所有层都采用3x3的小卷积核，卷积层步长设置为1,。用3x3的小卷积核代替5x5或7x7的卷积核，能够在减少参数量的同时，增加非线性；而且结构简洁，性能优越。
本实施例还验证了基于细胞核分割的图块生成方法比滑窗法生成图块的优越性。为防止随机误差的影响，使用五倍交叉验证来评估模型的效果，即每5次迭代中有4次作为训练数据，剩余的一次作为验证数据，通过平均5个验证集的结果来获得模型的最终性能值。绩效评估指标包括准确度(Accuracy)、特异性(Specificity)、敏感性(Sensitivity)、F1-score，其中准确度是正确分类图片的全局百分比，特异性衡量正确识别的正常细胞比例，敏感性衡量正确识别的异常细胞比例，F1-score指精度和召回的调和平均。其绩效评估指标结果如下表：
| 方法 | 准确率 | 精确率 | 敏感性 | F1值 |
| 细胞核分割切子图 | 0.983±0.02 | 0.983±0.03 | 0.983±0.02 | 0.983±0.04 |
| 滑窗法切子图 | 0.937±0.01 | 0.942±0.02 | 0.937±0.03 | 0.936±0.02 |
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，该计算机程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)等非易失性存储介质，或随机存储记忆体(Random Access Memory，RAM)等。
本实施例还提供计算机设备，包括通过系统总线相互通信连接存储器、处理器等。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Applica tion Specific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable Gate Array，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。
计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
存储器至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，存储器可以是所述计算机设备的内部存储单元，例如该计算机设备的硬盘或内存。在另一些实施例中，所述存储器也可以是所述计算机设备的外部存储设备，例如该计算机设备上配备的插接式硬盘，智能存储卡(SmartMedia Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。当然，所述存储器还可以既包括所述计算机设备的内部存储单元也包括其外部存储设备。本发明实施例中，所述存储器通常用于存储安装于所述计算机设备的操作系统和各类应用软件，例如宫颈细胞图像筛查方法的程序代码等。此外，所述存储器还可以用于暂时地存储已经输出或者将要输出的各类数据。
处理器在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器92通常用于控制所述计算机设备的总体操作。本发明实施例中，所述处理器用于运行所述存储器中存储的程序代码或者处理数据，例如运行所述宫颈细胞图像筛查方法的程序代码。
以上内容是结合具体/优选的实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，其还可以对这些已描述的实施方式做出若干替代或变型，而这些替代或变型方式都应当视为属于本发明的保护范围。
Claims (10)
1.一种宫颈细胞图像筛查方法，其特征在于，包括步骤如下：
S1.对包含宫颈细胞的原始图像进行预处理；
S2.建立宫颈细胞图像筛查模型并进行训练；
S3.将步骤S1预处理后的图像输入步骤S2已经建立好的宫颈细胞模型中进行宫颈细胞图像的筛查。
2.如权利要求1所述的宫颈细胞图像筛查方法，其特征在于，所述步骤S1包括：
S11.对所述原始图像进行细胞核分割以获得细胞图像块；
S12.对所述细胞图像块进行数据增强。
3.如权利要求2所述的宫颈细胞图像筛查方法，其特征在于，所述步骤S11包括：
S111.对所述原始图像进行无效信息的去除，所述无效信息包括：污垢、失焦伪影、炎性细胞；
S112.利用U-Net结构自动分割网络，以细胞核质心为中心，提取大小相同的图像块作为分割后的细胞图像块。
4.如权利要求3所述的宫颈细胞图像筛查方法，其特征在于，所述步骤S111包括：
利用RGB颜色空间中绝对通道差异的阈值来去除污垢；
利用Sobel算子对边界的平均梯度进行阈值化来去除失焦伪影；
利用阈值化最大半径和平均强度消除具有小暗核的炎症细胞。
5.如权利要求1所述的宫颈细胞图像筛查方法，其特征在于，步骤S12包括：对所述细胞图像块中包含阳性细胞的细胞图像块进行旋转和平移操作。
6.如权利要求1所述的宫颈细胞图像筛查方法，其特征在于，所述步骤S2包括：
在数据集ImageNet上完成对卷积神经网络的预训练；
利用预训练后的卷积神经网络进行宫颈细胞图像筛查模型的训练；
所述卷积神经网络为VGG卷积神经网络。
7.如权利要求6所述的宫颈细胞图像筛查方法，其特征在于，训练后的VGG卷积神经网络包含16个卷积层和3个全连接层，所有层都采用3x3的卷积核，卷积层步长设置为1。
8.一种宫颈细胞图像筛查系统，其特征在于，包括：
数据预处理模块：用于对包含宫颈细胞的原始图像进行预处理；
模型训练模块：用于建立宫颈细胞图像筛查模型并进行训练；
模型测试模块：用于将预处理后的图像输入至已建立好的宫颈细胞模型中进行宫颈细胞图像的筛查。
9.一种计算机设备，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时实现如权利要求1-7任一项所述的宫颈细胞图像筛查方法。
10.一种计算机可读存储介质，其特征在于，包括，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述宫颈细胞图像筛查方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110455457.1A CN113222911A (zh) | 2021-04-26 | 2021-04-26 | 宫颈细胞图像筛查方法、系统、计算机设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110455457.1A CN113222911A (zh) | 2021-04-26 | 2021-04-26 | 宫颈细胞图像筛查方法、系统、计算机设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113222911A true CN113222911A (zh) | 2021-08-06 |
Family
ID=77089153
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110455457.1A Pending CN113222911A (zh) | 2021-04-26 | 2021-04-26 | 宫颈细胞图像筛查方法、系统、计算机设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113222911A (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107274386A (zh) * | 2017-05-18 | 2017-10-20 | 深思考人工智能机器人科技（北京）有限公司 | 一种宫颈细胞液基涂片人工智能辅助阅片系统 |
| CN109272492A (zh) * | 2018-08-24 | 2019-01-25 | 深思考人工智能机器人科技（北京）有限公司 | 一种细胞病理涂片的处理方法及系统 |
| CN109815888A (zh) * | 2019-01-21 | 2019-05-28 | 武汉兰丁医学高科技有限公司 | 一种新型巴氏染色方法及异常宫颈细胞自动识别方法 |
-
2021
- 2021-04-26 CN CN202110455457.1A patent/CN113222911A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107274386A (zh) * | 2017-05-18 | 2017-10-20 | 深思考人工智能机器人科技（北京）有限公司 | 一种宫颈细胞液基涂片人工智能辅助阅片系统 |
| CN109272492A (zh) * | 2018-08-24 | 2019-01-25 | 深思考人工智能机器人科技（北京）有限公司 | 一种细胞病理涂片的处理方法及系统 |
| CN109815888A (zh) * | 2019-01-21 | 2019-05-28 | 武汉兰丁医学高科技有限公司 | 一种新型巴氏染色方法及异常宫颈细胞自动识别方法 |
Non-Patent Citations (2)
| Title |
|---|
| 刘一鸣等: ""基于全卷积网络和条件随机场的宫颈癌细胞学图像的细胞核分割"", 《计算机应用》 * |
| 廖欣等: ""基于深度卷积神经网络的宫颈细胞病理智能辅助诊断方法"", 《液晶与显示》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110245657B (zh) | 病理图像相似性检测方法及检测装置 | |
| US11922626B2 (en) | Systems and methods for automatic detection and quantification of pathology using dynamic feature classification | |
| KR102583103B1 (ko) | 계산 검출 방법들을 위해 전자 이미지들을 처리하기 위한 시스템들 및 방법들 | |
| CN108464840B (zh) | 一种乳腺肿块自动检测方法及系统 | |
| Mi et al. | Deep learning-based multi-class classification of breast digital pathology images | |
| US10861156B2 (en) | Quality control for digital pathology slides | |
| CN111488921A (zh) | 一种全景数字病理图像智能分析系统及方法 | |
| WO2020223798A1 (en) | Image diagnostic system, and methods of operating thereof | |
| CN110969204B (zh) | 基于磁共振图像与数字病理图像融合的样本分类系统 | |
| CN112508850A (zh) | 基于深度学习的甲状腺细胞病理切片恶性区域的检测方法 | |
| CN110796661B (zh) | 基于卷积神经网络的真菌显微图像分割检测方法及系统 | |
| AU2012228063A1 (en) | Histology analysis | |
| CN112767325B (zh) | 一种癌症病理图像自动检测方法及系统 | |
| CN113393454A (zh) | 活检组织中病理目标实例分割方法和装置 | |
| CN112132827A (zh) | 病理图像的处理方法、装置、电子设备及可读存储介质 | |
| CN112990214A (zh) | 一种医学图像特征识别预测模型 | |
| CN112183557A (zh) | 基于胃癌组织病理图像纹理特征的msi预测模型构建方法 | |
| WO2021139447A1 (zh) | 一种宫颈异常细胞检测装置及方法 | |
| CN111476794A (zh) | 一种基于unet的宫颈病理组织分割方法 | |
| CN110060246B (zh) | 一种图像处理方法、设备及存储介质 | |
| CN113361482B (zh) | 核性白内障识别方法、装置、电子设备以及存储介质 | |
| KR20210079132A (ko) | 서포트 벡터 머신을 이용한 전립선암의 등급 분류 방법 | |
| AU2021345220A1 (en) | Training end-to-end weakly supervised networks at the specimen (supra-image) level | |
| CN116468690B (zh) | 基于深度学习的浸润性非粘液性肺腺癌的亚型分析系统 | |
| Guatemala-Sanchez et al. | Nuclei segmentation on histopathology images of breast carcinoma |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210806 |
|
| RJ01 | Rejection of invention patent application after publication |